Informe de Resultados Red Multiambiental de Evaluación de híbridos de Maíz Tardío 2024/25

1 Introducción

El cultivo de maíz (Zea mays) es uno de los más importantes en los sistemas productivos de la región. La alta producción de biomasa de este cultivo genera un importante aporte de C al suelo. Además, su inclusión en la rotación disminuye la incidencia de enfermedades y plagas en otros cultivos.

El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de numerosos factores que inciden en la interacción entre la expresión del material genético del híbrido o cultivar (genotipo) y las condiciones en las cuales la planta crece (ambiente). Los ambientes difieren en la cantidad y calidad de recursos que están disponibles para las plantas (agua, nutrientes y radiación), y las plantas capturan y convierten dichos recursos en biomasa y órganos de interés comercial, según su carga genética, que a su vez es modulada por el ambiente (Yan y Kang, 2002).

Según el objetivo de mejoramiento, los genotipos pueden ser seleccionados para mejorar su adaptación a un amplio rango de condiciones ambientales o bien para condiciones más específicas. En este último caso, la adaptación sitio-específica de los genotipos se relaciona con el fenómeno denominado interacción genotipo-ambiente (GA), el cual se observa cuando la performance relativa de los fenotipos depende del ambiente en el que crecen (Malosetti et al., 2013).

La interacción GA reduce la asociación entre los valores fenotípicos y genotípicos, lo cual puede ocasionar que los genotipos seleccionados por su performance en un ambiente tengan tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de maiz es el resultado de la elección de los materiales más aptos para cada ambiente.

1.1 Objetivos

  • Resumir los datos de rendimiento de los genotipos de maiz evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2024/25.

  • Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2024/25.

  • Explorar y describir los patrones de la interacción GA en la campaña 2024/25 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.

2 Metodología

2.1 Sitios experimentales

Durante la campaña 2024/25 se llevaron adelante ensayos comparativos de rendimiento de genotipos de maiz tardío en 5 localidades del Norte de la Provincia de Santa Fe. Los sitios seleccionados para los ensayos en cada localidad corresponden a establecimientos productivos de miembros CREA de la Región Norte de Santa Fe. La distribución espacial e información de los ensayos se muestra en la Figura 2.1. A modo de referencia se incluye la ubicación de los ensayos de las campañas anteriores.

Mapa interactivo: se puede hacer zoom o mostrar/ocultar información de cada ensayo (Fecha de siembra, antecesor, densidad, fertilizacion, etc) haciendo haciendo clik sobre los puntos de la campaña 2024/25.

Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2024/25 y anteriores

En cada sitio se establecieron ensayos comparativos de rendimiento (ECR) utilizando un diseño experimental sin réplicas con controles sistemáticos (Kempton, 1997). Los materiales fueron sembrados con espaciamiento entre surco (EES) de 52 cm en franjas entre 4.16 y 5.2 m de ancho por entre 150 y 200 m de longitud.

El ensayo de la localidad de Ruta 39 no pudo ser cosechado debido a que las altas temperaturas de Febrero resultaron en la no producción de espigas.

2.2 Condiciones climáticas

Precipitaciones mensuales totales por localidad durante la campaña 2024/25 y serie 1945/2020 del EEA INTA Reconquista

Figura 2.2: Precipitaciones mensuales totales por localidad durante la campaña 2024/25 y serie 1945/2020 del EEA INTA Reconquista

Se observa que en general, durante toda la campaña, en todas las localidades el total de lluvias mensuales fue menor que la serie histórica, especialmente en el período crítico del cultivo. En Ceres, las pecipitaciones al inicio (enero) fueron ligeramente superiores al promedio pero con marcado deficit en febrero y marzo. En Curupaity y Ceres, las preicipitaciones de mayo fueron superiores al promedio histórico.

En cuanto a la marcha del régimen térmico, en ninguna de las localidades se registraron heladas tempranas. Al inicio del ciclo se registró un periódo de altas temperaturas sostenidas durante varios días.

2.3 Genotipos

Los tratamientos evaluados en la campania 2024/25 fueron 30 genotipos. En la Tabla siguiente se indican las localidades en las que fueron evaluados.

Tabla 2.1: Cultivares evaluadas y localidades en las que fueron incluidas
Semillero Genotipo
Localidades
Campo Bonazola Colonia Duran Curupaity Margarita Ruta 39
ACA 476 TRECEPTA
ACA 477 TRECEPTA
ACA 477 VIP3 CL
ACA EXP 241 VIP3 CL
BASF 7339
EXP. 570 CL
BRV 8472 PWUEN
BRV EXP 212-63 PWUE
BRV EXP 240 PWU
KM 3916 VIP3
KWS 16-607 VIP3
KWS 19-120 VIP3
KWS 7510
KWS 9606
LG36538
DK 6269 TRECEPTA
DK 7220
DK 7702 TRECEPTA
DK7447
NK 825 VIP3
NK 842 VIP3
NS 2065 VIP3
NS 7818 VIP3
ARON PWUE
P1804 PWUE
P2297 PWUE
P3016 LEPTRA
SPS 2615 VIP3
SPS 2743 VIP3
SYN 510

La mayoría de los genotipos estuvieron presentes en las 5 localidades. El genotipo DK 7702 TRECEPTA no estuvo presente en la localidad Curupaity, mientras que BASF 7339, KWS 7510 KWS 9606, LG36538, DK7447, DK 7220 y SYN 510 sólo estuvieron en la localidad Campo Bonazola; DK 6269 TRECEPTA sólo en la localidad Curupaity.

El genotipo NK 842 VIP3 actuó como referencia o check, con más de una réplica por localidad. Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.

3 Resultados

3.1 Rendimiento testigo

En la Tabla siguiente se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.

Tabla 3.1: Rendimiento seco medio y coeficiente de variación por localidad de los genotipos utilizados como check
Localidad media CV min max
Campo Bonazola 2765 8 2379 2864
Colonia Duran 5446 8 4878 6068
Curupaity 4477 7 4116 4888
Margarita 2759 8 2506 3006

En general la variabilidad observada en el control repetido fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. En la localidad Margarita y Campo Bonazola se observó el menor rendimiento del testigo.

La Tabla siguiente se muestra el stand de plantas promedio logrado en las distintas localidades.

Tabla 3.2: Stand de plantas logrado en cada localidad
Localidad Promedio CV (%)
Campo Bonazola 27446 29
Colonia Duran 61763 9
Curupaity 51671 6
Margarita 54075 6
Ruta 39 46325 7

El stand mostró baja variación dentro de las localidades, con CV en torno al 8%, a excepción de Campo Bonazola que presento variabilidad intermedia.

3.2 Rendimientos por Localiad

La figura 3.1 muestra los rendimientos medios por localidad. La línea continua representa el promedio en toda la campaña.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

Figura 3.1: Rendimiento seco promedio y desvío estándar por Localidad

Los rendimientos promedio de las localidades variaron entre ~ 2500 (Campo Bonazola y Margarita) a 4700 kg ha-1 (Colonia Duránc y Curupaity).

Este aspecto determina el rango del índice ambiental explorado el cual tuvo una variación de 55% en torno al promedio general de las 4. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de cada localidad o superiores como Margarita, con mayor dispersión relativa en Colonia Duran y Curupaity.

3.3 Rendimientos por Genotipo

En la Figura 3.2 se presentan los valores medios y desviaciones estándar de los rendimientos seco de los genotipos considerando la variabilidad entre localidades.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

Figura 3.2: Rendimientos medios y desvio estándar de los genotipos, fig.width = 7

En general todos los genotipos presentaron rendimientos medios (y unicos en los casos en que sólo se evaluaron en una localidad, no tienen desviaciones) entre 1600 (KWS 7510) y 4374 kg ha-1 (DK 6269). La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes, en los casos en los que no se ven las barras es porque solo se evaluaron en una localidad.

Entre los genotipos testeados en los 4 ambientes, DM 2773 TRECEPTA, NK 842 VIP3 y ESP. 570 CL tuvieron los rendimientos más altos.

3.4 Rendimientos promedio y CV

En la Tabla 3.3 se presentan los promedios y CV por Genotipo y Localidad, del rendimiento seco en kg/ha y base 100. Los genotipos están ordenados en función del valor relativo promedio. Los colores están ordenados en función del valor relativo de cada localidad.

Los datos pueden descargarse de los siguientes enlaces: medias_CV_rend_real.xlsx

3.4.1 Tabla rendimiento y CV

Tabla 3.3: Rendimiento seco medio (kg/ha) y coeficiente de variación por genotipo y localidad
Localidad
Promedio CV
Campo Bonazola Colonia Duran Curupaity Margarita
EXP. 570 CL 106 (2632) 84 (3843) 113 (5403) 156 (3411) 115 (3822) 26 (31)
SYN 510 114 (2834) 114 (2834) NA (NA)
NK 842 VIP3 111 (2765) 119 (5446) 94 (4477) 126 (2759) 112 (3862) 12 (34)
NS 2065 VIP3 105 (2610) 97 (4466) 102 (4888) 136 (2981) 110 (3736) 16 (30)
SPS 2743 VIP3 105 (2619) 110 (5049) 102 (4888) 111 (2425) 107 (3745) 4 (38)
P3016 LEPTRA 123 (3056) 93 (4287) 110 (5274) 103 (2255) 107 (3718) 12 (36)
DK 7220 105 (2623) 105 (2623) NA (NA)
BASF 7339 105 (2607) 105 (2607) NA (NA)
LG36538 105 (2601) 105 (2601) NA (NA)
ACA EXP 241 VIP3 CL 124 (3096) 100 (4615) 108 (5146) 84 (1836) 104 (3673) 16 (41)
ACA 476 TRECEPTA 115 (2871) 101 (4625) 97 (4631) 98 (2152) 103 (3570) 8 (35)
P2297 PWUE 114 (2837) 107 (4935) 113 (5403) 72 (1563) 102 (3684) 20 (49)
KM 3916 VIP3 106 (2629) 116 (5340) 102 (4888) 85 (1850) 102 (3677) 13 (46)
DK 7702 TRECEPTA 115 (2871) 104 (4774) 85 (1852) 101 (3166) 15 (47)
KWS 9606 101 (2524) 101 (2524) NA (NA)
ACA 477 VIP3 CL 84 (2098) 103 (4747) 118 (5660) 97 (2121) 100 (3656) 14 (50)
P1804 PWUE 86 (2151) 101 (4625) 97 (4631) 117 (2567) 100 (3494) 13 (38)
SPS 2615 VIP3 85 (2126) 113 (5192) 81 (3859) 123 (2687) 100 (3466) 21 (39)
BRV 8472 PWUEN 95 (2367) 107 (4912) 102 (4888) 91 (1982) 99 (3537) 7 (45)
NK 825 VIP3 86 (2146) 101 (4620) 102 (4888) 97 (2121) 96 (3444) 8 (44)
BRV EXP 240 PWU 96 (2393) 75 (3428) 118 (5660) 97 (2114) 96 (3399) 18 (47)
KWS 16-607 VIP3 106 (2641) 94 (4332) 113 (5403) 65 (1430) 94 (3452) 22 (51)
BRV EXP 212-63 PWUE 115 (2861) 91 (4168) 75 (3602) 92 (2009) 93 (3160) 18 (30)
DK 6269 TRECEPTA 92 (4374) 92 (4374) NA (NA)
ARON PWUE 96 (2384) 97 (4455) 92 (4374) 85 (1858) 92 (3268) 6 (41)
KWS 19-120 VIP3 96 (2387) 91 (4158) 97 (4631) 69 (1514) 88 (3172) 15 (46)
DK7447 86 (2136) 86 (2136) NA (NA)
NS 7818 VIP3 47 (1179) 97 (4466) 70 (3345) 111 (2419) 81 (2852) 35 (49)
KWS 7510 66 (1637) 66 (1637) NA (NA)
Promedio 100 (2489) 100 (4594) 100 (4777) 100 (2186)

El nivel de variabilidad de los genotipos a través de los ambientes mostró valores altos (41%) en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 35 y 46%.

Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 11 y 18%), ya que se remueve en parte el efecto de la variación entre localidades.

En general se observaron cambios en la posición relativa a través de las localidades. En algunos casos, estos cambios fueron pequeños, por ejemplo SPS 2743 VIP3 o NS 2065 VIP3 que se mantuvo dentro del grupo de altos rendimientos o intermedio entre los 5 ambientes. En otros casos, genotipos pasaron de grupo superior a valores de rendimiento relativo debajo de 95 o menos (P3016 LEPTRA, EXP. 570 CL, NK 842 VIP3).

3.4.2 Gráfico

La Figura 3.3 presenta la relación entre los rendimientos promedio expresados en valores relativos y la estabilidad (indicada por el CV) de los genotipos a través de las localidades incluidas en la red durante la campaña 2024/25.

Figura 3.3: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2024/25

Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que el genotipos de mayor rendimiento relativo (> 120) promedio (EXP. 570 CL) mostró valores de variabilidad moderados (26%). Luego el grupo de rendimientos relativo entre 100 y 120 mostro variación entre 15-21%.

3.5 Diferencias entre genotipos

En la Tabla 3.4 se presentan los resultados del análisis de la varianza (ANOVA) del modelo ajustado usando la informacion de los genotipos con al menos tres localidades.

Tabla 3.4: Tabla de Análisis de la Varianza del modelo lineal
Término gl num F Valor p
1 (Intercept) 1 3,765.06 0.00000
2 Localidad 3 141.08 0.00000
3 Genotipo 20 0.91 0.58119

Se detectaron diferencias de rendimiento estadísticamente significativas al 10% considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p < 0.001). El efecto del Genotipo no fue significativo al 10% (p = 0.581). En Tabla 3.5 se listan los valores medios ajustados, errores estándar e intervalos de confianza de los rendimientos medios de cada genotipo. La amplitud de los \(IC_{90}\) responde a que el espacio de inferencia es toda la región de donde proviene la muestra de las 5 localidades analizadas y la precisión alcanzada según el número de réplicas.

Tabla 3.5: Rendimientos e intervalos de confianza 90% ajustados
Rend. medio Error estándar gl LI IC90 LS IC90 grupo
NK 842 VIP3 3862 261 59 3426 4298 a
EXP. 570 CL 3822 261 59 3386 4258 a
SPS 2743 VIP3 3745 261 59 3309 4181 a
NS 2065 VIP3 3736 261 59 3300 4172 a
P3016 LEPTRA 3718 261 59 3282 4154 a
P2297 PWUE 3684 261 59 3248 4121 a
KM 3916 VIP3 3677 261 59 3241 4113 a
ACA EXP 241 VIP3 CL 3673 261 59 3237 4109 a
ACA 477 VIP3 CL 3656 261 59 3220 4093 a
DK 7702 TRECEPTA 3592 303 59 3085 4098 a
ACA 476 TRECEPTA 3570 261 59 3134 4006 a
BRV 8472 PWUEN 3537 261 59 3101 3973 a
P1804 PWUE 3493 261 59 3057 3930 a
SPS 2615 VIP3 3466 261 59 3030 3902 a
KWS 16-607 VIP3 3451 261 59 3015 3888 a
NK 825 VIP3 3444 261 59 3008 3880 a
BRV EXP 240 PWU 3399 261 59 2963 3835 a
ARON PWUE 3268 261 59 2832 3704 a
KWS 19-120 VIP3 3172 261 59 2736 3609 a
BRV EXP 212-63 PWUE 3160 261 59 2724 3596 a
NS 7818 VIP3 2852 261 59 2416 3288 a

El cuadro anterior representa el ranking de genotipos ordeandos por el rendimiento global para la zona de influencia de la Red. El rendimiento medio representa la mejor estimación global del rendimiento de cada genotipo para la región en general a partir de la información obtenida en el presente ensayo. Este valor estimado se acompaña de los límites de un intervalo de confianza (LI IC90 y LS IC90) los cuales representan la región donde se encuentra el verdadero valor del rendimiento.

Considerando la red globalmente, el ranking de materiales muestra diferencias de 1010 kg entre el primer y último genotipo. Se detectaron las siguientes diferencias entre grupos de materiales:

  • Grupo a – Mayor rendimiento: Conformado por los genotipos NK 842 VIP3 y EXP. 570 CL, con rendimientos medios ajustados entre 3.862 y 3.822 kg ha⁻¹. Estos materiales integran el grupo de mejor desempeño productivo, sin diferencias significativas entre ellos al 90% de confianza.

  • Grupo ab – Rendimiento intermedio-alto: Integrado por los genotipos comprendidos entre SPS 2743 VIP3 y ARON PWUE, con rendimientos medios ajustados entre 3.745 y 3.268 kg ha⁻¹. Los híbridos de este grupo presentaron rendimientos competitivos, sin diferencias estadísticas con los de mayor rendimiento, reflejando un comportamiento estable en el conjunto de ambientes evaluados.

  • Grupo bc–c – Menor rendimiento: Conformado por los genotipos KWS 19-120 VIP3, BRV EXP 212-63 PWUE y NS 7818 VIP3, con rendimientos ajustados entre 3.172 y 2.852 kg ha⁻¹. Estos materiales mostraron un desempeño significativamente inferior al resto de los genotipos según el modelo con 10% de significancia.

Dentro de cada grupo, las diferencias de rendimientos no fueron estadísticamente significativas a nivel global.

3.6 Interacción GA

3.6.1 Campaña actual

Las diferencias de los rendimientos medios de cada localidad resumen la heterogeneidad de condiciones ambientales a las cuales fueron sometidos los genotipos evaluados. Utilizando esta información se construye un índice ambiental (IA) que se utiliza para modelar la interacción genotipo x ambiente a partir de rendimientos de cada genotipo y ambiente. En la Tabla siguiente se presenta la tabla de ANOVA del modelo.

Tabla 3.6: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente gl SC CM F Valor p
Localidad 3 115614032.84 38538010.95 124.39 <0.0001
Genotipo 20 4935151.96 246757.60 0.80 0.7021
Genotipo:IA 20 3985115.88 199255.79 0.64 0.8539
Residuals 39 12082797.40 309815.32

Según este análisis, no se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.8539). Esto implica que las diferencias de sensibilidad observadas no resultaron en variaciones significativas de las pendientes de la relación IA y rendimiento en el rango de valores de IA explorados.

En la Figura 3.4 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1).

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda. Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.4: Respuesta diferencial de cada Genotipo a los cambios del IA

Las pendientes (\(\beta\)) de las rectas (línea sólida de color) representan la sensibilidad de cada genotipo a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. La sensibilidad promedio (línea punteada) representa la respuesta general de todos los genotipos. Para un genotipo cualquiera, si el valor de la pendiente es \(\beta_i > 1\), el genotipo en cuestión tiene mayor sensibilidad a los cambios de calidad del ambiente (a mayor calidad ambiental, mayor rendimiento, y vice versa). En cambio si \(\beta_i < 1\), entonces el genotipo es menos sensible y tendría mejores respuestas en ambientes malos y respuestas inferiores al promedio en ambientes buenos. Las diferencias entre las pendientes de los distintos genotipos representa la interacción GA.

A modo descriptivo los valores estimados de los \(\beta\) para algunos genotipos, como por ejemplo “P2297 PWUE”, y “ACA 477 VIP3 CL” mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, “BRV EXP 212-63 PWUE”, y “EXP. 570 CL” fueron los materiales con menor sensibilidad (pendientes 25% menores a 1).

Sólo las pendientes estimadas para ACA 477 VIP3 CL y P2297 PWUE, fueron estadísticamente mayores a 1:1. Por el contrario, los materiales que mostraron menor sensibilidad fueron BRV EXP 212-63 PWUEy EXP. 570 CL.

El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.

Figura 3.5: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades

Se observa que, entre los materiales con mayor rendimiento promedio, los valores de sensibilidad tienden a ser superiores a 1. Esto indica que los genotipos de alto rendimiento también son los más dependientes de la calidad del ambiente, es decir, responden mejor en condiciones favorables pero podrían rendir menos en ambientes restrictivos.

En cambio, los genotipos con rendimientos medios o bajos se ubican principalmente por debajo de la línea de sensibilidad = 1, mostrando menor respuesta a la mejora ambiental (menor pendiente) y, por lo tanto, mayor estabilidad relativa, aunque con rendimientos más modestos.

3.6.2 Últimas dos campañas

Al considerar los ambientes evaluados en las últimas 3 campañas (combinacion localidad x campaña), sólo 4 genotipos estuvieron presentes en los 15 ambientes explorados en las últimas 3 campañas. En la Tabla siguiente se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.

Tabla 3.7: Tabla de ANOVA del modelo de regresión para la interacción GxA últimas 3 campañas.
Fuente gl SC CM F Valor p
Localidad 8 65577763.55 8197220.44 21.42 <0.0001
Genotipo 3 631329.35 210443.12 0.55 0.6515
Genotipo:IA 4 47749566.18 11937391.54 31.19 <0.0001
Residuals 36 13778193.53 382727.60

Según este análisis la interacción entre los materiales evaluados y el índice ambiental es significativa (p < 0.0001). Esto implica que al menos uno de los genotipos mostró una norma de reacción o sensibilidad diferente al promedio. La Tabla siguiente se muestra los valores de pendiente estimados.

Tabla 3.8: Penidentes estimadas últimas 3 campañas.
Genotipo Beta Error estándar gl LI IC90 LS IC90
BRV 8472 PWU 1.20 0.12 44 0.96 1.44
SPS 2743 VIP3 0.91 0.12 44 0.67 1.15
ACA 476 VT3PRO/TRECEPTA 0.87 0.12 44 0.63 1.11
NK 842 VIP3 0.82 0.12 44 0.58 1.06

En las tres últimas campañas, las pendientes estimadas muestran que los genotipos con mayor rendimiento medio, como BRV 8472 PWU, presentaron valores de sensibilidad superiores a 1, lo que indica una mayor respuesta al ambiente. Por el contrario, los materiales con pendientes menores a 1, como NK 842 VIP3, evidencian menor sensibilidad y mayor estabilidad frente a las variaciones ambientales.

En la Figura 3.6 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1). Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.6: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas 3 campañas

Según el gráfico anterior se observa la mayor pendiente de BRV 8472 PWU y menor pendiente de SPS 2743 VIP3.

4 Consideraciones finales

En general se observó una moderada a alta variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas producto de las condiciones particulares de la campaña. Asimismo, la heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos fue baja en general. A nivel global las diferencias se detectaron diferencias mayores a 1010 kg ha-1 entre los distintos grupos de materiales. El grupo de mayores rendimientos corresponde los genotipos incluidos entre NK 842 VIP3 y EXP. 570 CL, con rendimiento medio entre 3862 y 3822 kg/ha,

En el estudio de la interacción GA de la campaña actual no se detectó diferencias significativas respecto al patrón de respuesta promedio. La sensibilidad de ACA 477 VIP3 CL y P2297 PWUE fue mayor al la norma general (recta 1:1), mientras que los materiales que mostraron menor sensibilidad fueron BRV EXP 212-63 PWUEy EXP. 570 CL.

En el análisis combinado los datos de las últimas tres campañas se observó que los 4 genotipos analizados mostraron heterogeneidad de pendientes al 10%, siendo la mayor pendiente para BRV 8472 PWU y menor pendiente de SPS 2743 VIP3 aunque con rendimientos más altos en todo el rango.

5 Agradecimientos

  • A las empresas semilleras: A.C.A., Basf, Brevant, KWS, Limagrain, Monsanto, Nidera, NK, Nord, Pioneer, SPS, y Syngenta, por haber confiado un año más en nuestra zona y en la utilidad de los Ensayos Comparativos de Rendimiento.

  • A las Empresas CREA de la Región Norte de Santa Fe que año tras año realizan el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal tiempo y recursos para tal fin.

6 Apéndice

6.1 Análisis estadístico

6.1.1 Rendimientos testigos

La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:

\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]

donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.

6.1.2 Estadísticas descriptivas

Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para la variable respuesta rendimiento seco (kg ha-1).

El promedio de cada genotipo en la red se calculó utilizando la siguiente expresión:

\[ \bar{y}_i = \dfrac{\sum y_{ij}}{n_i} \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\), \(y_{ij}\) es el rendimiento del genotipo \(i\) en la localidad \(j\) y \(n_i\) es el número de localidades donde fue evaluado el genotipo \(i\). En aquellos casos donde se contó con más de una franja por localidad, los datos fueron promediados dentro de cada localidad. Así mismo el coeficiente de variación (\(CV\)) de cada genotipo en la red se calculó mediante la siguiente expresión:

\[ CV_{{y}_i} = \dfrac{s_{y_i}}{\bar{y}_i} \times 100 \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\) y \(s_{y_{i}}\) es el desvío estándar de los rendimientos del genotipo \(i\) a través de las localidades:

\[ s_{y_i} = \sqrt{\dfrac{\sum \left(y_{ij} - \bar{y}_i \right)^2}{n_i -1}} \]

Las estadísticas anteriores se expresaron en valores absolutos y relativos al promedio de la localidad.

6.1.3 Diferencias de rendimiento

Para comparar y determinar las diferencias de respuesta de los materiales evaluados a nivel región se ajustó a los datos un modelo lineal, i.e. con efectos fijos y aleatorios sobre el rendimiento medio global de la Red. Los genotipos y el stand de plantas fueron considerados efectos fijos y las localidades efectos aleatorios:

\[ y^*_{ij} = \mu + \tau_i + \rho_j + l_j + e_{ij} \]

donde: \(y^*_{ij}\) representa la respuesta del genotipo \(i\) sembrado en la localidad \(j\), corregido por efecto de la posición de la parcela en caso necesario; \(\mu\) es la media general de los ensayos de la red, \(\tau_i\) es efecto o diferencia del genotipo \(i\) respecto a la media general del ensayo, \(\rho_i\) es efecto de la relación stand de plantas y rendimiento en la localidad \(j\), \(l_j\) el efecto de la localidad \(j\), y \(e_{ij}\) el error experimental asociado al genotipo \(i\) sembrado en la localidad \(j\). Se asume que \(l_j\) como \(e_{ij}\) son independientes y tienen distribución normal con media 0 y varianza \(\sigma^2_l\) y \(\sigma^2_e\).

Este modelo asume que los niveles de Localidad son una muestra aleatoria de las localidades de la Región Norte y permite realizar inferencia más amplia sobre la respuesta de los genotipos. Debido a que los testigos fueron las únicas variedades replicadas, la interacción Genotipo:Localidad representaría la heterogeneidad de dicho genotipo dentro de cada Localidad por lo tanto no fue estimada (Piepho et al., 2012).

Las diferencias de rendimiento entre genotipos se determinaron mediante la prueba de comparaciones múltiples de Tukey, considerando un nivel de significancia de 10%.

6.1.4 Análisis interacción genotipo x ambiente

Para explorar los patrones de interacción GA se utilizó el procedimiento de regresión sobre la media (Finlay y Wilkinson, 1963)

La heterogeneidad ambiental explorada por los genotipos considerados en la red se caracterizó mediante los rendimientos medios de cada Localidad. Esta covariable denominada Índice Ambiental (IA) fue utilizada para modelar la interacción GA a partir del siguiente modelo:

\[ y_{ij} = \mu_i + \beta_i X_j + e_{ij} \]

donde: \(y_{ij}\) es el rendimiento del genotipo \(i\) en el ambiente o localidad \(j\), \(\mu_i\) es la ordenada al origen de cada genotipo, \(X_j\) el índice ambiental de la localidad \(j\), y \(\beta_i\) la pendiente o sensibilidad del genotipo \(i\) a los cambios del IA.

Según este modelo, \(\mu_i\) representa el comportamiento de los genotipos en el ambiente promedio y los coeficientes \(\beta_i\) la sensibilidad de los Genotipos a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. Entonces, si la interacción GA es significativa representa la heterogeneidad de respuestas, i.e. \(\beta\) distintos para los genotipos. El valor de \(\beta\) indica la sensibilidad el genotipo a los cambios de calidad del ambiente. Si \(\beta_i > 1\) indica que el genotipo \(i\) tiene una respuesta mayor al promedio (a mayor calidad ambiental, mayor rendimiento), en cambio si \(\beta_i < 1\), entonces el genotipo responde menos.

Para complementar este análisis, se realizó el mismo procedimiento combinando los datos de últimas campañas. La Tabla siguiente muestra el número de genotipos presentes en todas las localidades de las últimas campañas.

Tabla 6.1: Número de genotipos presentes en todas las localidades de las últimas campañas
Campañas Número de genotipos
2024/25 19
2022/23, 2024/25 4
2021/22, 2022/23, 2024/25 4
2020/21, 2021/22, 2022/23, 2024/25 2
2019/20, 2020/21, 2021/22, 2022/23, 2024/25 0
2018/19, 2019/20, 2020/21, 2021/22, 2022/23, 2024/25 0
2017/18, 2018/19, 2019/20, 2020/21, 2021/22, 2022/23, 2024/25 0

De los 100 genotipos evaluados durante las últimas 7 campañas, sólo 4 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad de las campañas 2022/23, 2021/22 y 2020/21. Estos genotipos fueron utilizados para el análisis. Si bien el criterio de inclusión reduce la cantidad de genotipos se incrementa la potencia para detectar patrones de interacción.

6.2 Humedad de cosecha

Genotipo
Localidad (Duración ciclo)
Campo Bonazola (199 días) Colonia Duran (248 días) Curupaity (186 días) Margarita (191 días)
ACA 476 TRECEPTA 14.9 13.5 17.6 15.8
ACA 477 VIP3 CL 17.1 14.0 19.7 17.0
ACA EXP 241 VIP3 CL 15.3 13.7 19.8 17.1
ARON PWUE 15.2 13.9 16.9 16.1
BASF 7339 15.7
BRV 8472 PWUEN 15.8 13.7 18.8 16.9
BRV EXP 212-63 PWUE 15.2 13.7 17.4 15.8
BRV EXP 240 PWU 14.9 13.6 20.1 17.3
DK 7220 15.2
DK 7702 TRECEPTA 14.9 13.5 16.4
DK7447 15.6
EXP. 570 CL 14.9 14.3 19.3 16.6
KM 3916 VIP3 15.0 14.0 18.6 16.5
KWS 16-607 VIP3 14.6 13.4 17.3 16.1
KWS 19-120 VIP3 15.1 13.9 18.9 19.2
KWS 7510 16.8
KWS 9606 18.4
LG36538 15.9
NK 825 VIP3 15.2 13.6 19.7 17.0
NK 842 VIP3 15.2 14.2 17.7 16.6
NS 2065 VIP3 15.6 13.7 19.6 16.7
NS 7818 VIP3 16.1 13.7 18.4 16.5
P1804 PWUE 15.0 13.5 17.1 16.3
P2297 PWUE 15.9 13.3 18.2 16.6
P3016 LEPTRA 16.4 14.3 21.0 17.3
SPS 2615 VIP3 16.0 14.0 19.9 17.0
SPS 2743 VIP3 15.3 13.9 18.4 16.3
SYN 510 16.0
DK 6269 TRECEPTA 17.4

Los datos pueden descargarse del siguiente enlace: tabla_humedad.xlsx

6.3 Peso Hectolítrico

Genotipo
Localidad
Campo Bonazola Colonia Duran Curupaity Margarita
ACA 476 TRECEPTA 72.5 79.3
ACA 477 VIP3 CL 65.4 73.3
ACA EXP 241 VIP3 CL 71.0 75.0
ARON PWUE 69.7 74.8
BASF 7339 73.3
BRV 8472 PWUEN 64.3 74.6
BRV EXP 212-63 PWUE 69.0 74.4
BRV EXP 240 PWU 66.3 76.3
DK 7220 72.5
DK 7702 TRECEPTA 73.6 78.0
DK7447 69.3
EXP. 570 CL 65.2 73.8
KM 3916 VIP3 69.0 76.6
KWS 16-607 VIP3 71.6 77.0
KWS 19-120 VIP3 69.8 71.0
KWS 7510 69.7
KWS 9606 69.5
LG36538 71.6
NK 825 VIP3 63.1 72.9
NK 842 VIP3 71.5 77.7
NS 2065 VIP3 66.0 77.6
NS 7818 VIP3 68.2 78.1
P1804 PWUE 66.5 72.7
P2297 PWUE 69.7 74.8
P3016 LEPTRA 71.4 72.0
SPS 2615 VIP3 63.7 73.6
SPS 2743 VIP3 71.2 78.3
SYN 510 69.3
DK 6269 TRECEPTA

Los datos pueden descargarse del siguiente enlace: tabla_PH.xlsx

6.4 Software

Los datos fueron procesados utilizando el software estadístico R versión 4.1 (R Core Team, 2021) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).

7 Bibliografía

Finlay, K. W., and Wilkinson, G.N. (1963). The analysis of adaptation in a plant-breeding programme. Aust. J. Agric. Res. 14, 742–754.

Kempton, R.A. (Ed) (1997). Statistical methods for plant variety evaluation. Plant breeding series. Chapman & Hall, London. pp. 191.

Lenth, R. (2019). emmeans: Estimated Marginal Means, aka Least-Squares Means. R package version 1.3.3. https://CRAN.R-project.org/package=emmeans

Malosetti, Marcos, Jean-Marcel Ribaut, and Fred A. van Eeuwijk. 2013. “The Statistical Analysis of Multi-Environment Data: Modeling Genotype-by-Environment Interaction and Its Genetic Basis.” Frontiers in Physiology 4 (March). doi:10.3389/fphys.2013.00044.

Piepho, H.P., C. Richter, J. Spilke, K. Hartung, A. Kunick, and H. Thöle. 2011. Statistical aspects of on-farm experimentation. Crop and Pasture Science 62(9): 721.

Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-137, URL: https://CRAN.R-project.org/package=nlme.

R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Sievert, C. (2020) Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida.

Wickham, H. (2017). tidyverse: Easily Install and Load the ‘Tidyverse’. R package version 1.2.1. https://CRAN.R-project.org/package=tidyverse

Yan, W.; Kang, M. S. (2002). GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. 1st edition. CRC Press. pp. 288.